ICML 精选Spotlight Poster 合集：Session 7-1

7月9日，人工智能与计算机视觉领域的风向标盛会ICML 2026正式开启了三天的核心议程。本届大会在创纪录的投递量中严选出6352篇录用论文，其中包含代表前沿风向的Spotlight论文536篇（占投稿总数的 2.2%），以及极具开创性的Oral 论文168篇 （仅占投稿总数的 0.7 %）。

本届入选的研究方向展现了极高的多元性，全面覆盖了从多模态大模型到三维高斯泼溅、从具身智能视觉到神经辐射场优化、从可信视觉到高效边缘端部署的激进探索。在整体投稿规模较去年呈现翻倍式增长、同行评审机制经历全面“严苛重塑”的背景下，这批在重重筛选中脱颖而出的顶尖工作，凝聚了当前计算机视觉领域最不容错过的学术硬核。

雷峰网AI科技评论团队已于数日前抵达现场，在热闹非凡的Poster展示区，我们从几千份密密麻麻的学术海报中，抽丝剥茧地筛选出了最具启发性的代表作，通过“高清学术海报 + 核心逻辑拆解”的直观形式，为远在屏幕另一端的你搭建一座跨越空间的学术桥梁。

这不仅仅是一份成果的罗列，更是对当前视觉计算技术演进脉络的一次深度复盘——从感知智能到认知推理的跃迁，从纯虚拟像素到物理世界具身交互的融合。我们期待这些来自一线的视觉定格，能带你直面并读懂正发生在这场学术潮头之上的底层变革。

以下为你奉上精选自Poster Session 7的八篇Spotlight论文，带你一文洞悉计算机视觉最前沿的进化轨迹。（若你希望自己的科研成果也能在此专题中获得全行业关注，欢迎随时与我们取得联系）：

1.适应同质性偏移的渐进式图结构调整

Progressive Graph Structure Adjustment for Homophily Shift Adaptation

本研究聚焦于图域适配中不同领域节点间同质性差异对跨域迁移效果的影响。针对源图和目标图间节点同质性不匹配导致的结构不一致问题，本文提出了一种名为PSAHS的轻量化图结构调整方法。

针对低同质性节点降低迁移质量的现象，该方法一方面通过重设边权重与增加类内连接来提升源图同质性；另一方面，结合结构感知的GNN与仅依赖属性的MLP，逐步优化目标图结构，并采用域对抗训练对齐节点表示，以减轻标签稀缺的负面影响。

在多个图域适配基准数据集上的实验表明，PSAHS在严重同质性失配条件下显著优于现有强基线。本研究引入的渐进式结构调整与表示对齐机制，为跨图迁移提供了更强的通用性与可靠性。

论文地址：https://openreview.net/forum?id=OkyO74bJqE

2.理论级自动形式化：从孤立陈述到统一的形式化知识库

Theory-Level Autoformalization: From Isolated Statements to Unified Formal Knowledge Bases

自动形式化旨在将非正式的自然语言翻译为机器可验证的形式化语言。当前大多数研究主要关注孤立的单一陈述，但实际的形式化工作本质上是理论级的：在陈述目标定理之前，往往需要构建包含公理、定义和引理的完整网络。

为此，本文提出并倡导“理论级自动形式化”，即将包含所有相互依赖关系的完整理论形式化为结构化库。文章深入探讨了这一范式转变的重要意义（如合成训练数据、加速理论验证等），回应了不同视角的批判（如陈述级与理论级的权衡），并指出了等价性检查和分层分解等开放性挑战。最后，本文提出了包含构建统一中间表示在内的三种前瞻性发展路径，为推进具备通用推理能力的AI奠定了基础。

论文地址：https://openreview.net/forum?id=BoteCHEFUr

3.通过评分准则实现奖励与指导：促进探索以提升多领域推理能力

Reward and Guidance through Rubrics: Promoting Exploration to Improve Multi-Domain Reasoning

本研究聚焦于提升大语言模型在复杂多领域任务中的推理与探索能力。针对现有强化学习方法主要局限于单领域任务、纯在线框架导致探索空间受限以及传统单一奖励机制引发的性能瓶颈问题，本文提出了一种名为RGR-GRPO的新型强化学习框架。该方法的核心在于构建基于评分准则（Rubrics）的驱动机制，通过提供高密度的细粒度奖励信号和离线指导，有效扩展了模型的探索空间，并显著优化了离策（Off-policy）训练中的稳定性和有效性。

在包含数学、物理、化学及通用推理等14个多领域基准数据集上的实验表明，该框架相比传统方法平均实现5.4%至8.4%的性能提升，成功突破了现有的多领域推理瓶颈。

论文地址：https://openreview.net/forum?id=AfqsNFzJcs

4.FlatLand：通过定制洛伦兹空间实现个性化图联邦学习

FlatLand: Personalized Graph Federated Learning via Tailored Lorentz Space

本研究聚焦于大语言模型在个性化场景中难以兼顾效率与效果、且个性化偏好本质机制尚未充分探究的问题。

针对个性化偏好低微调控制的挑战，本文旨在揭示用户信息嵌入表示空间的关键模式，发现个性化信息嵌入在一个低秩子空间中，并存在用户共有的整体偏移和特有的个性化偏移。

基于此，本文提出了一种名为PerFit的双阶段方法，通过微调隐藏表示空间中的共有偏移与特定偏移，以极小的参数开销实现对大语言模型精准的个性化调控。

在六个数据集上的实验表明，PerFit在保持强竞争性性能表现的同时，平均显著减少了92.3%的参数开销，为个性化图联邦学习提供了创新的理论与技术方案。

论文地址：https://openreview.net/forum?id=H6PagZKyil

5.论学习用于训练数据选择的元网络的困难性

On the Difficulty of Learning a Meta-network for Training Data Selection

本研究探讨了合成数据在图像分类训练中因与真实数据分布不匹配而限制模型性能的问题，聚焦于优化数据选择策略以提升模型表现。

针对元网络训练中信号噪声比低以及缺乏关联数据质量特征导致的效率瓶颈，本文深入识别并解决相关问题。通过数学分析，文章揭示了归一化数据权重的动态变化、数据质量差异与低信号噪声比之间的关系影响。为此，本文提出通过增大批量大小以改善优化，并设计了一组能够捕捉训练数据分布位置及动态信息的特征，以提高数据选择的有效性。

在四个基准数据集上的实验显示，该方法结果平均提升5.49%，较最优基线方法高出2.89%，为揭示元网络训练的关键问题提供了坚实的数学分析支持与高效的改进方案。

论文地址：https://openreview.net/forum?id=H6PagZKyil

6. 可微优化的完全一阶层

A Fully First-Order Layer for Differentiable Optimization

本研究聚焦于提高将数学程序嵌入机器学习管道中可微优化的计算效率。针对传统隐式微分方法依赖昂贵的海森矩阵计算、难以高效处理约束双层优化且梯度复杂度高的问题，本文提出了一种能够完全避免隐式微分的新型一阶优化框架。

该方法的核心在于设计了一种新颖的主动集拉格朗日方法，仅基于对数级时间复杂度的一阶信息即可高效计算出近似超梯度，从而显著优化了约束双层问题的梯度复杂度。本文将该方法实现为可嵌入现有求解器的开源 Python 库 FFOLayer。

实验表明，该方法在保持与现有主流解法相当的收敛性能的同时，大幅提升了计算速度，为大规模可微优化应用提供了高效、实用的落地方案。

论文地址：https://openreview.net/forum?id=jJur8Fq7IK

7.CausalGame：评估大语言模型智能体在游戏中的因果思维能力

CausalGame: Benchmarking Causal Thinking of LLM Agents in Games

本研究聚焦于评估人工智能作为“AI科学家”在揭示科学因果关系时的核心推理能力。

针对现有评估基准未能充分考虑现实科学发现中隐藏偏差与混杂因子带来的因果难题，本文推出了首个专注于因果推理的交互式评测基准——CausalGame。该基准精心设计了包含选择偏差、噪声测量和隐藏混杂因子在内的14种复杂游戏场景。在评测中，LLM智能体需要通过交互主动设计实验方案、收集观测数据并最终生成解释性报告。

对16个先进LLM智能体的全面评估结果显示，当前模型在识别与处理因果关系上均表现欠佳，难以有效破解设计的游戏关卡。本研究为科学发现特征下的AI评估提供了关键的工具。

论文地址：https://openreview.net/forum?id=WNqIX3IFZU

8.WeDLM：融合扩散语言模型与标准因果注意力以实现快速推理

WeDLM: Reconciling Diffusion Language Models with Standard Causal Attention for Fast Inference

本研究聚焦于提升扩散语言模型（DLM）的实际解码效率。传统自回归模型因逐字解码限制了并行性，而扩散语言模型虽能并行解码，但其依赖的双向注意力机制破坏了前缀键值（KV）缓存的复用效率，导致实际推理速度无法超越深度优化后的自回归引擎（如vLLM）。

为此，本文提出了WeDLM框架。该框架通过拓扑重排序，将已观察到的标记移动至物理前缀，同时保留其逻辑位置，使模型在标准的因果注意力条件下亦能实现并行生成；此外，结合流式解码机制持续由左至右更新前缀以避免生成停滞。

在复杂推理基准上的实验表明，WeDLM比vLLM速度提升近3倍，在低熵生成场景下速度提升高达10倍，成功推动了扩散语言模型的实用化进程。

论文地址：https://openreview.net/forum?id=QwtmbKAOZU